Tag · 4 篇

概念瓶颈模型

Rounded or Streamlined Head? Bridging Concept Bottleneck Models and Attribute-Described Object Parts

把概念重新定义为「部件-属性对」并用类别无关的目标聚类抑制背景伪证据，这套做法可直接迁移到任何需要 VLM 给出细粒度部件掩码的可解释识别或属性定位流程中，缓解 VLM 部件定位噪声。

Rethinking Concept Bottleneck Models: From Pitfalls to Solutions

为基于概念的预测提供可复用的评估与改进框架：用熵指标预评估概念集与数据集的匹配度，在概念激活与分类器之间插入非线性层以消除线性绕过问题，并用线性教师探针引导的蒸馏损失缩小与黑箱模型的精度差距；同时系统分析不同视觉编码器与 VLM 对精度和可解释性的影响，可直接用于构建可解释的图像分类流程。

Hierarchical Concept Embedding & Pursuit for Interpretable Image Classification

HCEP 利用视觉语言模型的潜空间，通过层次化稀疏编码恢复图像中的概念，为设计可解释分类模型提供了新思路；其几何构造和恢复条件可推广到其他需要结构化概念表示的任务。

Explaining CLIP Zero-shot Predictions Through Concepts

把 CLIP 的图像-文本联合嵌入投影到由语言描述学到的概念空间，用对齐+重建目标训练，可在不改 CLIP 权重、不加概念监督的前提下为开放词表零样本预测给出概念级解释；做 VLM 可解释性或概念瓶颈方向可直接复用该投影与训练目标。